脑电信号控制智能轮椅的研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-21页 |
| ·研究背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-13页 |
| ·脑—机接口概述 | 第13-14页 |
| ·常用脑电信号处理方法 | 第14-19页 |
| ·预处理方法 | 第14-16页 |
| ·特征提取方法 | 第16-18页 |
| ·模式分类方法 | 第18-19页 |
| ·脑电信号处理流程 | 第19页 |
| ·本文研究的主要内容 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第2章 脑电信号采集及预处理 | 第21-34页 |
| ·脑电信号概述 | 第21-24页 |
| ·脑电信号来源 | 第21-22页 |
| ·脑电信号的特点 | 第22-23页 |
| ·脑电信号节律特性 | 第23-24页 |
| ·脑电信号采集 | 第24-26页 |
| ·采集前准备 | 第24页 |
| ·脑电极的导联方法 | 第24-25页 |
| ·采集系统 | 第25-26页 |
| ·基于改进阈值的平移不变量小波脑电消噪 | 第26-33页 |
| ·小波变换原理 | 第26-28页 |
| ·平移不变量小波消噪原理 | 第28页 |
| ·基于改进阈值量化算法的平移不变量小波消噪方法 | 第28-29页 |
| ·实验方法 | 第29-30页 |
| ·实验结果分析 | 第30-33页 |
| ·结论 | 第33页 |
| ·本章小结 | 第33-34页 |
| 第3章 脑电信号特征提取与模式识别方法 | 第34-45页 |
| ·小波包 | 第34-36页 |
| ·小波包原理 | 第34-35页 |
| ·小波包分解 | 第35页 |
| ·小波熵与小波能量 | 第35-36页 |
| ·CSP 算法 | 第36-38页 |
| ·“一对一”方法 | 第36-37页 |
| ·“一对余”方法 | 第37页 |
| ·“一对一”方法和“一对余”方法比较 | 第37-38页 |
| ·基于SVM 的模式分类 | 第38-44页 |
| ·支持向量机原理 | 第38-41页 |
| ·基于支持向量机的多类分类方法 | 第41-44页 |
| ·基于支持向量机的多类分类比较 | 第41-43页 |
| ·二叉树支持向量机 | 第43-44页 |
| ·支持向量机的特点 | 第44页 |
| ·本章小结 | 第44-45页 |
| 第4章 运动想象脑电信号特征提取与模式识别 | 第45-55页 |
| ·数据信息 | 第45-47页 |
| ·数据说明 | 第45-46页 |
| ·数据分析 | 第46-47页 |
| ·7 类脑电信号分步特征提取 | 第47-51页 |
| ·运动想象脑电信号和非运动脑电想象信号的特征提取 | 第47-49页 |
| ·4 类运动想象脑电信号的特征提取 | 第49-51页 |
| ·基于SVM 的7 类脑电信号模式识别 | 第51-54页 |
| ·SVM 核函数与惩罚因子的选定 | 第51-52页 |
| ·分类识别 | 第52-53页 |
| ·分类结果评估 | 第53-54页 |
| ·Kappa 系数 | 第53页 |
| ·分类结果 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 动作状态下脑电信号控制智能轮椅的研究 | 第55-66页 |
| ·动作状态下脑电信号控制智能轮椅方案 | 第55-57页 |
| ·电动轮椅 | 第55-56页 |
| ·控制方案及策略 | 第56-57页 |
| ·脑电信号采集辅助软件 | 第57-58页 |
| ·动作状态下脑电采集 | 第58-61页 |
| ·实验技术信息及实验人员 | 第58-59页 |
| ·实验采集过程 | 第59页 |
| ·有效性分析 | 第59-61页 |
| ·动作状态下脑电信号特征提取 | 第61-63页 |
| ·动作状态下脑电信号特征定性分析 | 第61-62页 |
| ·基于CSP 算法的动作状态下脑电信号特征提取 | 第62-63页 |
| ·动作状态下脑电信号模式识别 | 第63-64页 |
| ·模式识别 | 第63-64页 |
| ·结果分析 | 第64页 |
| ·本章小结 | 第64-66页 |
| 第6章 总结与展望 | 第66-68页 |
| ·工作总结 | 第66页 |
| ·研究展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 附录 | 第73-74页 |
| 详细摘要 | 第74-78页 |
